4. 特征工程基线：原始特征集构建、缺失值处理策略、异常值截断与分箱、WOE与IV计算

特征工程是信用评分模型开发的核心环节，直接影响模型的区分能力与稳定性。本章以Champion模型对照实验为背景，系统建立特征工程基线流程，涵盖原始特征集构建、缺失值处理、异常值截断、分箱以及WOE/IV计算五个关键步骤。以下内容将作为后续所有对照实验的固定预处理管道。

4.1 原始特征集构建

原始特征集来源于信贷申请数据、行为数据与外部征信数据。构建时需遵循可解释性与业务逻辑优先原则，避免直接引入高维衍生变量。

特征类别	典型字段	数据来源	备注
身份属性	年龄、性别、婚姻状况、学历	申请表	需做逻辑校验
收入负债	月收入、总负债、信用卡使用率	申请表+征信	关注收入稳定性
历史信贷	最长逾期天数、逾期次数、信贷账户数	征信报告	核心预测变量
行为特征	近6个月查询次数、平均额度使用率	内部行为库	反映近期风险

4.2 缺失值处理策略

信用数据缺失普遍存在，处理策略需区分随机缺失与非随机缺失。基线方案采用以下分层策略：

1. 缺失率 > 80%：直接删除该特征，避免引入噪声。
2. 缺失率 20%–80%：使用中位数（连续变量）或众数（分类变量）填充，并生成缺失指示变量。
3. 缺失率 < 20%：使用中位数/众数填充，不额外生成指示变量。
4. 业务特殊缺失：如“从未逾期”导致逾期天数缺失，填充为0。

# 缺失值处理示例（Python伪代码）
from sklearn.impute import SimpleImputer

# 连续变量：中位数填充
cont_imputer = SimpleImputer(strategy='median')
train[cont_cols] = cont_imputer.fit_transform(train[cont_cols])
test[cont_cols] = cont_imputer.transform(test[cont_cols])

# 分类变量：众数填充
cat_imputer = SimpleImputer(strategy='most_frequent')
train[cat_cols] = cat_imputer.fit_transform(train[cat_cols])
test[cat_cols] = cat_imputer.transform(test[cat_cols])

4.3 异常值截断与分箱

异常值会扭曲模型参数估计，分箱则能增强特征鲁棒性。基线流程将两者结合处理。

4.3.1 异常值截断

采用百分位数截断法，对连续变量上下限进行压缩：

• 下限截断点：第1百分位数
• 上限截断点：第99百分位数
• 截断后值替换为对应百分位数值，不删除样本。

4.3.2 等频分箱

分箱是WOE计算的前置步骤。基线采用等频分箱，每箱样本量占比尽量均衡：

分箱数	适用场景	每箱最小样本数
5–10箱	连续变量（如年龄、收入）	≥ 总样本的5%
2–5箱	离散变量（如信贷账户数）	≥ 总样本的10%

4.4 WOE与IV计算

WOE（Weight of Evidence）衡量每个分箱内好坏样本的分布差异，IV（Information Value）则评估特征整体预测能力。基线流程将WOE作为特征变换的唯一方式。

4.4.1 WOE计算公式

WOE_i = ln( (坏样本占比_i) / (好样本占比_i) )

其中：
  坏样本占比_i = 第i箱坏样本数 / 总坏样本数
  好样本占比_i = 第i箱好样本数 / 总好样本数

4.4.2 IV计算公式

IV = Σ (坏样本占比_i - 好样本占比_i) × WOE_i

4.4.3 IV评估标准

IV范围	预测能力	基线处理
< 0.02	无预测力	删除该特征
0.02 – 0.10	弱预测力	保留，但标记为低贡献
0.10 – 0.30	中等预测力	保留，核心特征
> 0.30	强预测力	保留，但需检查过拟合

4.5 基线特征工程总结

本章建立的基线特征工程管道将作为Champion模型对照实验的固定前置流程。所有后续实验（如特征衍生、非线性变换、自动分箱优化）均在此基线上进行对比，确保实验结论可归因于单一变量。

步骤	方法	输出	对照实验变量
原始特征集	业务可解释字段	20–30个基础特征	固定不变
缺失值处理	中位数/众数填充+指示变量	无缺失数据集	可替换为模型填充
异常值截断	1%/99%百分位截断	截断后连续变量	可替换为分位数截断
分箱	等频分箱（5–10箱）	离散化特征	可替换为最优分箱
WOE/IV	WOE变换+IV筛选	WOE特征矩阵	可替换为原始值